支持向量机 Part 4：支持向量回归原理与python实现——机器学习笔记

* * *  The Machine Learning Noting Series  * * *

目 录 | Content

1. 支持向量回归的基本思路与优点

      ε-带与“管道”

      决定“管道”宽度的可调参数ε

2. 支持向量回归的目标函数和约束条件

      目标函数

      约束条件

3. python实现

1. 支持向量回归的基本思路与优点

线性不可分支持向量缺点：

如上左图所示，支持向量机使用核函数给出一个弯曲多变的不规则超平面（中间的曲线即回归线）。这是一个复杂的模型，因其预测结果对训练集中数据的微小波动较为敏感，故预测的鲁棒性差且预测误差较大。

支持向量回归的思路与优点：

支持向量回归同样寻找具有最大边界的回归面。如上左图所示，两平行虚线为分类边界(其宽度可调，见下文)，中间的实直线为回归线，分类边界内的点不计入损失函数，即用一条扁平化（Flatten）的平整“宽带”代替传统的“细线”去贯穿和拟合样本。当然，若数据存在较大规律性变化或者对预测误差严格要求的话，这条带宽也会随之弯曲，如上右图所示。

ε-带与“管道”

支持向量回归的根本是认为“宽带”内样本观测点的变动是微小可忽略的，此“宽带”被称为ε-带。

一般的线性回归模型以残差平方和（）最小为原则求解参数，支持向量回归的主要区别在于：若样本观测的残差不大于实现给定的可调参数ε>0，则不计入损失函数，损失函数对此呈不敏感“反应”。因此，样本观测对损失函数的贡献定义为：

具体如下图所示，样本1和2的残差将通过计入损失函数（），而样本3因为位于ε-带中而不计入损失函数。

推广到多维情形，在多个输入变量情况下，ε-带会演变成一根直径大于0的“管道”，其内的样本残差将被忽略。

决定“管道”宽度的可调参数ε

参数ε可通过K-折交叉验证确定。

● 若ε过大：极端情况为“管道”过宽，则所有样本观测点均位于其内，此时损失函数为0，变为不考虑任何输入变量影响下的回归线，此模型只会输出输入变量均值，且预测误差较大，不具备实用价值。如下左图所示。

● 若ε过小：管道过窄，极端情况下所有观测点均位于管道外，模型容易过拟合、过于复杂，违背文件预测的初衷。如下右图所示。

2. 支持向量回归的目标函数和约束条件

设置松弛变量：

设置目标函数：

目标函数体现“最宽管道”和最低误差的权衡，故设置为两者相加形式：

● 上式第一项体现“最宽管道”的目标，通常希望其较小（此时管道较宽，模型鲁棒性强），但管道过宽会导致超平面位置不恰当，并使得第二项过大，模型整体误差过高；

● 上式第二项体现最低误差的目标：通常希望其较小，可通过两个方法实现：①增大第一项来减少管道宽度，但此时模型较复杂且易过拟合，②将超平面放置于最佳位置来降低第二项（通过最小化确定超平面位置和角度）。

惩罚参数C用于调整对预测误差容忍度，在管道宽度确定的前提下：● 若C较大，则目标函数倾向于最小化第二项，即超平面将努力跟随管道外部样本点变化并呈弯曲多变（复杂模型）的形态；● 若C较小，意味着允许管道外部较大的误差，此时超平面倾向于扁平化（简单模型）。C可通过K-折交叉验证确定。

约束条件

3. python实现

这里通过模拟数据，通过调整ε和C来说明两者对于支持向量回归模型结果的影响。

#导入模块
import numpy as np
from numpy import random
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import warnings
warnings.filterwarnings(action = 'ignore')
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  #解决中文显示乱码问题
plt.rcParams['axes.unicode_minus']=False
from sklearn.datasets import make_classification,make_circles,make_regression
from sklearn.model_selection import train_test_split,KFold
import sklearn.neural_network as net
import sklearn.linear_model as LM
from scipy.stats import multivariate_normal
from sklearn.metrics import r2_score,mean_squared_error,classification_report
from sklearn import svm
import os

N=100
X,Y=make_regression(n_samples=N,n_features=1,random_state=123,noise=50,bias=0)
X_train, X_test, Y_train, Y_test = train_test_split(X,Y,train_size=0.85, random_state=123)
plt.scatter(X_train,Y_train,s=20)
plt.scatter(X_test,Y_test,s=20,marker='*')
plt.title("100个样本观测点的SVR和线性回归")
plt.xlabel("X")
plt.ylabel("Y")
        
modelLM=LM.LinearRegression()
modelLM.fit(X_train,Y_train)
X[:,0].sort()
fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(12,9))
for C,E,H,L in [(1,0.1,0,0),(1,100,0,1),(100,0.1,1,0),(10000,0.01,1,1)]:
    modelSVR=svm.SVR(C=C,epsilon=E)
    modelSVR.fit(X_train,Y_train)
    axes[H,L].scatter(X_train,Y_train,s=20)
    axes[H,L].scatter(X_test,Y_test,s=20,marker='*')    
    axes[H,L].scatter(X[modelSVR.support_],Y[modelSVR.support_],marker='o',c='b',s=120,alpha=0.2)
    axes[H,L].plot(X,modelSVR.predict(X),linestyle='-',label="SVR")
    axes[H,L].plot(X,modelLM.predict(X),linestyle='--',label="线性回归",linewidth=1)
    axes[H,L].legend()
    ytrain=modelSVR.predict(X_train)
    ytest=modelSVR.predict(X_test)
    axes[H,L].set_title("SVR(C=%d,epsilon=%.2f,训练MSE=%.2f,测试MSE=%.2f)"%(C,E,mean_squared_error(Y_train,ytrain),
                                                                       mean_squared_error(Y_test,ytest)))
    axes[H,L].set_xlabel("X")
    axes[H,L].set_ylabel("Y")
    axes[H,L].grid(True,linestyle='-.')

结果如下图所示：第一行中右图ε较大，因此所允许的误差上限更大，模型更简单更扁平，且管道外的支持向量较少；第一列中下图的C较大，因而模型更不扁平、回归线更复杂、训练误差更低；右下角的C最大，ε最小，因此模型最复杂，训练误差最小，但测试误差大于左下图，说明模型出现过拟合。

参考文献

《Python机器学习 数据建模与分析》，薛薇 等/著